shap可视化图

通用预处理 

import shap
# 创建Explainer（以树模型为例）
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_test)

一、全局解释 (Global Interpretation)

1. 特征重要性条形图 (Summary Bar Plot)

import shap
import matplotlib.pyplot as plt

# 统一处理多分类问题
if isinstance(shap_values, list):
    class_shap = shap_values[0]  # 二分类选第一个类别
else:
    class_shap = shap_values

# 绘制条形图
shap.summary_plot(class_shap, X_test, plot_type="bar", show=False)
plt.title("SHAP Feature Importance (Bar Plot)")
plt.tight_layout()
plt.show()

 

2. 特征重要性散点图 (Summary Dot Plot)

shap.summary_plot(class_shap, X_test, plot_type="dot", show=False)
plt.title("SHAP Feature Importance (Dot Plot)")
plt.tight_layout()
plt.show()

 

3. 交互热力图 (Heatmap Plot)

shap.plots.heatmap(class_shap, show=False)
plt.title("SHAP Value Heatmap")
plt.tight_layout()
plt.show()

 

---

二、特征效应分析 (Feature Effect)

4. 特征依赖图 (Dependence Plot)

feature_idx = 0  # 修改为目标特征索引
shap.dependence_plot(feature_idx, 
                    class_shap, 
                    X_test, 
                    interaction_index="auto",  # 自动检测交互特征
                    show=False)
plt.title(f"Dependence Plot - {X_test.columns[feature_idx]}")
plt.tight_layout()
plt.show()

 

5. 交互作用图 (Interaction Plot)

# 计算交互值（需模型支持）
shap_interaction = explainer.shap_interaction_values(X_test)
shap.summary_plot(shap_interaction[0], X_test, show=False)
plt.title("Interaction Values Summary")
plt.tight_layout()
plt.show()

---

三、局部解释 (Local Interpretation)

6. 单个样本解释-瀑布图 (Waterfall Plot)

sample_idx = 0  # 样本索引
shap.plots.waterfall(class_shap[sample_idx], 
                    max_display=15,
                    show=False)
plt.title(f"Waterfall Plot - Sample {sample_idx}")
plt.tight_layout()
plt.show()

7. 单个样本解释-力图 (Force Plot)

shap.plots.force(explainer.expected_value[0], 
                class_shap[sample_idx], 
                X_test.iloc[sample_idx],
                matplotlib=True,  # 用Matplotlib渲染
                show=False)
plt.title(f"Force Plot - Sample {sample_idx}")
plt.tight_layout()
plt.show()

---

四、多样本分析 (Multi-Sample)

8. 蜂群图 (Beeswarm Plot)

shap.plots.beeswarm(class_shap, show=False)
plt.title("Beeswarm Plot")
plt.tight_layout()
plt.show()

 

9. 决策路径图 (Decision Plot)

shap.decision_plot(explainer.expected_value[0],
                  class_shap[:50],  # 显示前50样本
                  feature_names=X_test.columns,
                  show=False)
plt.title("Decision Path Visualization")
plt.tight_layout()
plt.show()

---

五、高级分析

10. 特征聚类分析 (Clustering Plot)

shap.plots.bar(class_shap.cohorts(2).abs.mean(0),  # 分2个聚类
              show=False)
plt.title("Feature Importance by Clusters")
plt.tight_layout()
plt.show()

@浙大疏锦行